CoreWeave představuje šablony fyzické AI pro vývoj robotiky a autonomních vozidel

Než může tým vyvíjející robotiku otestovat novou politiku řízení, musí někdo zajistit, aby spolupracovaly simulátor, data, úložiště a výpočetní prostředky. CoreWeave se zaměřuje na přípravu těchto prostředků pomocí Physical AI Launchables, katalogu ověřených šablon pracovních úloh, který byl představen 21. října a je určen pro robotiku, autonomní vozidla a simulace.

Šablony obsahují prostředí pro pět nástrojů — NVIDIA Isaac Sim, CARLA, MuJoCo, NVIDIA AlpaSim a NVIDIA Cosmos 3 — takže inženýři mohou pracovní úlohu nastavit a spustit jediným příkazem, aniž by museli její infrastrukturu sestavovat od základu. Součástí uvedení jsou také dovednosti, které umožňují programovacím agentům pracovat se stejnými postupy.

Pro vývojáře je důležité, které činnosti bude možné opakovat. Launchables má mezi jednotlivými experimenty zachovat funkční prostředí a zároveň týmům umožnit měnit scény, datové sady, modely a nastavení, které určují výsledek.

Přesunutí přípravné práce do zázemí experimentu

Experiment s fyzickou AI zahrnuje víc než jen spuštění modelu. Vyhodnocení řízení vozidla vyžaduje simulátor a scénáře; úloha zaměřená na učení robota potřebuje prostředí, politiku řízení a způsob sběru výsledků. Tyto součásti navíc vyžadují vhodné úložiště, výpočetní prostředky a limity pro spouštění.

CoreWeave uvádí, že jeho inženýři sestavili a otestovali konfigurace, z nichž jednotlivé šablony vycházejí. Týmy si je mohou přizpůsobit vlastní práci a využít vyhrazenou kapacitu pro průběžné programy nebo úlohy se zvýšenou kapacitou pro jednotlivé experimenty. Pro každý podporovaný nástroj je k dispozici také prázdná šablona, která poskytuje prostředí, ale nepředepisuje podobu pracovní úlohy.

„Physical AI Launchables jim poskytuje ověřený výchozí bod pro nástroje, které už používají, takže se mohou více věnovat práci, kterou mohou dělat jen oni,“ uvedl v oznámení Richard Ahlfeld, seniorní viceprezident CoreWeave pro fyzickou AI.

Rozdíl je důležitý: CoreWeave zajišťuje zabalení a vrstvu pro spouštění, zatímco simulační a modelovací software pochází od společnosti NVIDIA a dalších vývojářů. Týmy stále rozhodují o tom, co budou testovat a zda jsou výsledky smysluplné.

Co lze spustit pomocí prvních šablon

Technický příspěvek k uvedení produktu od CoreWeave přibližuje katalog na konkrétních příkladech. Zahrnují manipulaci robotem, simulovanou jízdu, syntetická data a posilované učení:

• NVIDIA Isaac Sim: Úlohy, při nichž robotické rameno zvedá a přemisťuje předměty, označené scénáře skladů a experimenty s dynamikou vozidel.
• CARLA: Sady jízdních scénářů, jejichž výstupem jsou videa určená k prohlížení.
• MuJoCo: Paralelní experimenty s posilovaným učením a úlohy zaměřené na manipulaci s předměty v kuchyni.
• NVIDIA AlpaSim: Uzavřené vyhodnocování řízení vozidel.
• NVIDIA Cosmos 3: Generování video scénářů, které může být obtížné nebo nákladné získat.

Jde o výchozí konfigurace, nikoli o pevně danou sadu ukázek. Inženýři mohou měnit parametry pracovních úloh nebo upravovat kód aplikace, a přitom zachovat ověřené prostředí, na kterém běží. Součástí uvedení jsou také dovednosti NVIDIA Cosmos Data Factory pro rozšiřování, označování, kurátorský výběr a vyhledávání dat; CoreWeave uvádí, že plánuje přidat další související šablony.

Programovací agenti získávají stejné možnosti ovládání jako inženýři

Launchables zahrnuje dovednosti specifické pro CoreWeave určené pro Claude Code, Codex a další programovací agenty. Poskytují agentům pokyny k příslušným nastavením a přístup k příkazům pro spuštění, sledování a načtení výsledků běhu.

Oznámení zdůrazňuje rozdíl mezi dokončením úlohy a úspěchem experimentu. Proces může skončit, aniž by se prokázalo, že si politika řízení vozidla dobře poradila se scénáři nebo že robot splnil svůj úkol. Díky předávání zpráv, metrik, médií a diagnostických údajů prostřednictvím jednotného rozhraní mají inženýři i agenti po dokončení běhu k dispozici podklady k posouzení.

To může zvýšit užitečnost automatizace při opakovaných experimentech. Agent může pomoci s obsluhou pracovního postupu, tým však stále potřebuje vhodné metody vyhodnocování a kritéria úspěchu. Funkční nasazení samo o sobě nedokazuje, že je model připraven pro fyzický systém.

Využití GPU soustředěné na úlohy pro GPU

Oznámení se zabývá také tím, jak úlohy spotřebovávají prostředky. Pokud to pracovní úloha umožňuje, šablony oddělují přípravu a následné zpracování na CPU od spouštění na GPU a po dokončení této fáze uvolňují kapacitu GPU. Šablony uvádějí požadavky na prostředky a limity souběžnosti, aby usnadnily koordinaci paralelních běhů.

Je to důležité, protože náklady na experiment zahrnují i dobu, po kterou drahý hardware čeká na další práci. Oddělení jednotlivých fází může zlepšit přidělování prostředků, skutečný přínos však závisí na pracovní úloze a na rozsahu přípravy, simulace, trénování a analýzy, které vyžaduje.

V dodaném oznámení CoreWeave neposkytuje obecný srovnávací test Launchables ani univerzální údaj o zkrácení doby přípravy. Bezprostřední přínos představuje ověřená konfigurace a jednotný způsob jejího používání, nikoli naměřené zvýšení výkonu platné pro každý projekt v oblasti robotiky.

Jak Launchables zapadají do stacku fyzické AI společnosti CoreWeave

Toto uvedení rozšiřuje působnost CoreWeave od samotné kapacity GPU k softwarovým pracovním postupům, které ji využívají. Na stránce platformy pro fyzickou AI společnost popisuje infrastrukturu zahrnující výpočetní výkon GPU a CPU, síťové služby, úložiště, orchestraci Kubernetes a Slurm na Kubernetes. Tyto komponenty pokrývají různé potřeby přípravy dat, simulací a trénování modelů.

Její širší cloudová platforma propojuje tuto infrastrukturu s CoreWeave Forge, které sdružuje nástroje pro sledování, vyhodnocování a zlepšování modelů a agentů. Launchables přidává nad tyto vrstvy otestované pracovní zátěže pro technické úlohy. Cílem je snížit počet prostředí, která musí tým sestavit při přechodu mezi daty, experimenty a vyhodnocováním.

CoreWeave mezi softwarovými partnery, kteří pracují s její infrastrukturou, uvedla také společnosti Cadence, Convergent Science, Encord, nTop, PhysicsX a Voxel51. Tato partnerství pokrývají vše od nástrojů pro práci s daty a počítačové vidění až po technické simulace; nelze z nich však vyvozovat, že každý partnerský produkt je již k dispozici jako šablona Launchables.

Rychlejší začátek se neobejde bez řádného vyhodnocování

Přínos je zřejmý: pokud se prostředí zachová od jednoho experimentu k dalšímu, mohou týmy věnovat více času porovnávání modelů a zkoumání chyb. Sdílené šablony také kolegům usnadňují reprodukovat konfiguraci před změnou některé proměnné.

Náročnější otázky se týkají samotné oblasti použití. Simulované scény musí zachycovat užitečné podmínky, syntetická data musí odpovídat danému úkolu a vyhodnocování musí odhalit chyby, na kterých záleží i mimo simulátor. Launchables může zjednodušit cestu ke spuštění těchto testů, neodstraňuje však nutnost pečlivě je navrhnout.

CoreWeave zájemce odkazuje na přehled řešení Launchables pro fyzickou AI, kde najdou úvodní katalog a další informace. Pro vývojáře robotiky a autonomních vozidel spočívá praktická výhoda v kratší cestě od nápadu na experiment k výsledkům, které mohou prozkoumat.